不靠CFG、DMD、GAN、Drifting和MeanFlow，如何训练一步生成模型？

只做一次生成器前向，就能得到一张图，这是一步生成追求的效率。但想把采样步数降到 1，难题其实在训练端：怎样用足够稳定、简单的监督信号，让生成分布靠近真实分布？ 现有路线各有结构性取舍： 自回归、扩散 和 流匹配（Flow Matching）模型扩展性强 ，但前者需按顺序或尺度解码，后两者沿噪声 — 数据路径反复调用网络，都会增加推理时间。 生成对抗网络（GAN）天然支持单次前向推理 ，但学习信号来自同步训练的判别器，极小极大优化较敏感。 一致性模型（ Cons istency Models）和分布匹配蒸馏（Distribution Matching Distillation，DMD）可以压缩采样步数 ，但通常需要噪声 — 时间监督、一致性约束、教师或辅助估计器；DMD 同时依赖固定扩散教师与在线生成分布的 score（对数密度梯度），扩展到较大模型时还需要更多稳定化技巧。 Drifting Models 等分布动力学方法绕开传统蒸馏， 但监督常来自批级分布场或统计量；若一个批次包含 个样本，批内全配对需要 次交互，同时还要求同一条件下提供多张真实样本，因而不天然适配“一条描述配一张图”的文生图数据。 这些路线各有优势，TBSM 并不是要简单否定它们。它把问题改写成了一句更直接的话： 能不能训练一个小模型，直接告诉每个生成样本 “该往哪里走”？ 论文标题： THREE-BODY SCATTERING FOR GENERATIVE MODELING 论文链接： https://arxiv.org/abs/2607.18198 项目主页与代码：https://github.com/sp12138/TBSM 具体来说，TBSM 在线训练一个轻量级 Tracker，学习从当前生成分布到真实分布（Fake-to-Real）的转移场。对每个生成样本，Tracker 都会 独立地 给出一个移动方向，生成器只需回归样本沿该方向移动后的位置。 面对约 800M 的 像素扩散 Transformer 模型 PixelDiT-XL/16 ，单个 Tracker 仅有 30M 参数不到，且只在训练时使用。ImageNet-256 上，TBSM 的潜空间和像素空间模型在推理时前向次数（number of function evaluations，NFE）为 1 时，分别达到 Fréchet Inception Distance（FID，越低越好）1.63 和 2.23。 TBSM 方法介绍视频：三样本散射事件产生 Fake-to-Real 局部方向，Tracker 学习这些方向的期望，引导生成器最终实现 NFE=1。 TBSM 一步生成样例 从左到右依次为 MNIST、Fashion-MNIST、CIFAR-10、像素空间 ImageNet-1K，以及 20B 文生图模型的生成结果。 Fake-to-Real 转移场 （即 Tracker 的学习目标）从哪里来？ 先说结论： Tracker 的学习目标不是教师给出的，而是由一个真实样本 和两个生成样本 、 当场算出来的（即一个三体散射事件）。 真实样本指出数据分布所在的方向，另一个生成样本补上生成分布内部的自交互，Tracker 再从大量即时观测中学习平均规律。 在给定某个生成条件 （例如一条提示词 Prompt）时，从噪声分布 独立抽取 和 。一次事件包含三个角色：由参数为 的生成器 产生、并保留梯度的生成投射体 ；从数据集中抽取一个与 配对的真实源 ；以及由另一份噪声产生并停止梯度的生成源 ，本文用 表示停止梯度。把瞬时散射方向记为 ： 其中， 表示欧氏范数。第一项是朝真实源的单位方向，第二项带负号，因此会让投射体远离另一生成样本。两项分别对应能量距离中的真实 — 生成吸引与生成 — 生成自交互。 在有限一阶矩下，能量距离非负，且只在两分布一致时为零。在独立采样等条件下，瞬时散射方向的条件期望 ，就是总体转移场在 处给出的方向。含 个投射体的批次只需 次源交互，而非批内全配对的 （例如 Drifting Models）；方向范数也不超过 2，且上界不随图像维度增长。这种接口天然适合 “一条描述配一张图” 的数据。 训练时把投射体 移动后的位置冻结为回归目标： 算法 1：基础三体散射回归 算法 1：三样本事件现场给出移动方向，即瞬时三体散射方向，生成器回归冻结后的目标位置。 不使用 Tracker 时，这就是 瞬时散射 （Instant Scattering）。严格来说，冻结回归在当前参数处的期望梯度与能量距离梯度一致，但单个即时方向只是该条件期望的一个带噪估计。使用 Tracker 的 跟踪散射 （Tracked Scattering）则把瞬时散射方向作为在线标签，学习更稳定的方向场。 Tracker 如何学习稳定的 Fake-to-Real 转移场？ 单个三样本事件很便宜，但方差较大；换一组真实源和生成源，同一投射体可能收到不同方向。Tracker 学习的正是这些随机观测在给定位置和条件下的平均方向，而不是像 GAN 判别器那样判断真假。 完整 TBSM 使用两个取值在 0 到 1 之间的权重 。 混合即时方向与 Tracker 输出； 同时控制生成源自交互的权重和 Tracker 的查询区间。生成器与 Tracker 都用普通回归更新，不进行极小极大对抗训练。 算法 2：完整 TBSM 训练循环 算法 2：完整 TBSM 训练循环。图中， 是加权即时方向； 是从相应区间均匀抽取的连线位置比例， 表示均匀分布； 是 Tracker 查询点；参数为 的 Tracker 输出 ；最终方向为 。同一批事件分别更新生成器参数 和 Tracker 参数 。 在 时，Tracker 在投射体位置查询；在论文假设下，这对应精确能量距离场。若 ，查询点进入生成 — 真实样本之间的连线，学到的是实践中的代理场。ImageNet 最好的结果是采用 ，因此不能把这些指标视为 理论的直接验证。 两个参数组成的方法设计图 下图横轴为 Tracker 权重 ，纵轴为生成源自交互权重 。 四个角点把（1）瞬时能量距离散射、（2）完整跟踪的散射、（3）仅真实吸引和（4）Tracker仅学习 Fake-to-Real 插值放进同一张图中。 TBSM 的 rho-lambda 设计图 像素空间图像 Transformer JiT（Just image Transformers）的 B 规模配置 JiT-B 短程实验。Drift 是 Drifting Models 的图中简称；图中 Inception Score（IS）越高越好。四个角点依次对应类 Drift、Tracked Scattering、扩散相关和类 GAN 的结构联系。扩散式训练还需要配对噪声输入、时间条件和相应目标。 两个端点的 FID 为 4.71 和 5.05， 两个端点为 10.31 和 38.65，这说明 Tracker 汇总方向可能有帮助。另一个有趣现象是 （即完全没有生成—生成自交互项）时也得到很好的性能，下面展开分析这个 GAN-like 点。 算法 3：一个直观的视角去看 TBSM 能学到什么 算法 3：TBSM 的